تشخیص و تقسیم بندی استخوان،ریه و بافت نرم به روش خودکار براساس تصاویر توموگرافی کامپیوتری CT با استفاده از شبکه های یادگیری عمیق

مقدمه: در حوزه پرتودرمانی و محاسبات دزیمتری، شناسایی و تفکیک مناطق و ساختارهای مختلف بدن در تصاویر پزشکی از جمله استخوان، ریه و بافت نرم  براساس تصاویر سی تی اسکن نقش مهمی در محاسبه توزیع دز اشعه به منظور بهینه سازی، حفاظت از ارگان های حساس و بهبود دقت در طراحی درمان ایفا می کند. در این راستا به کارگیری الگوریتم های خودکار بخش بندی و بهبود مدل های یادگیری عمیق در زمینه تحلیل تصاویر پزشکی دقت و سرعت را بهبود می بخشد. هدف این مطالعه ارزیابی دو شبکه عصبی کانولوشن (CNN) و معرفی یک مدل موثر و کارآمد برای انجام بخش بندی استخوان، ریه و بافت نرم با دقت بالا براساس تصاویر سی تی اسکن است. روش کار: در این مطالعه، شبکه عصبی عمیق مبتنی بر DeepLabV۳+ و معماری های از پیش آموزش دیده ResNet-۱۸  و MobileNet-v۲ به عنوان مدل های پایه برای بخش بندی استفاده شدند. به منظور پیش پردازش تصاویر سی تی اسکن و تهیه داده های ورودی به الگوریتم شبکه عصبی، از نرم افزار ۳d slicer به منظور تولید تصاویر ماسک شامل بافت های نرم، استخوان ها و ریه ها می باشد، بهره برداری شده است. فرآیند توسعه و تنظیم پارامترهای آموزش مدل یادگیری عمیق در محیط MATLAB انجام گرفته است و عملکرد الگوریتم های تقسیم بندی به صورت همزمان برای ارگان های ذکر شده با استفاده از دو شبکه عصبی مذکور، براساس پارامترهای دقت و ضریب ژاکارد ارزیابی شده اند. یافته ها: نتایج نشان می دهد که دقت بخش بندی معنایی استخوان برای شبکه های عصبی ResNet-۱۸ و MobileNet-v۲ به ترتیب ۹۷% و ۹۶% است. برای تقسیم بندی ریه و بافت نرم، دقت شبکه های مذکور به ترتیب ۹۶/۹%، ۹۶/۷ % (برای ریه) و ۹۹/۲% ، ۹۹% (برای بافت نرم) گزارش شده است. همچنین، معیار ارزیابی ضریب ژاکارد برای تقسیم بندی معنایی استخوان توسط شبکه های ResNet-۱۸ و MobileNet-v۲ به ترتیب ۸۵% و ۸۴% اندازه گیری شده است. برای بخش بندی ریه و بافت نرم، این معیار به ترتیب برای شبکه های ResNet-۱۸ ، MobileNet-v۲ به ۹۰/۸% ، ۹۱/۲% (برای ریه) و ۹۹% ، ۹۹% (برای بافت نرم) است. نتیجه گیری:  بر اساس نتایج به دست آمده شبکه عصبی MobileNet-v۲ عملکرد بهتری نسبت به ResNet-۱۸ در تحلیل تصاویر سی تی اسکن و بخش بندی همزمان بافت ها از نظر معیارهای مختلف ارزیابی و سرعت عمل نشان می دهد.

Keywords:

Semantic segmentation , medical images , computed tomography images , convolutional neural networks (CNN) , بخش بندی معنایی تصاویر پزشکی , یادگیری عمیق , تصاویر توموگرافی کامپیوتری , شبکه های عصبی کانولوشن (CNN)